Verwenden Sie diese teuren
und unzureichende Prognosemethoden?

Eine Überprüfung der bestehenden Prognoseprozesse

Wir haben den Prognoseprozess eines großen Industrieunternehmens überprüft und dessen historische Prognosegenauigkeit mit der der 10 besten internationalen Prognoseexperten verglichen. Am Ende des Projekts fügten wir ein statistisches Modell hinzu und waren von dem Ergebnis verblüfft: Das statistische Modell übertraf alle. Woher kamen die Genauigkeitsabweichungen und wie konnten sie vermieden werden?

Nach Gesprächen mit Prognostikern aus der Industrie und dem Bankensektor
Wir fanden heraus, dass die Unternehmen, die die qualitative Methode verwendeten, auf individuellen Entscheidungen beruhten. Dies war überraschend, wenn man bedenkt, dass diese Methode in hohem Maße Verzerrungen bei der Entscheidungsfindung ausgesetzt ist, wie etwa dem Konjunktionsfehler. Die Durchführung der Prognose im Rahmen einer Gruppenentscheidung würde die Auswirkungen dieser Vorurteile verringern und dazu beitragen, individuelle Vorurteile abzubauen.

Die Argumente für die Verwendung mehrerer Prognosemethoden
Neben der Verwendung von Gruppenentscheidungen haben wir festgestellt, dass eine weitere Möglichkeit, Verzerrungen zu verringern, darin besteht, mehrere Prognosemethoden wie Zeitreihenanalysen zu verwenden, da sich Prognosen so gegenseitig bestätigen können. Basierend auf den Erkenntnissen, die wir gewonnen haben, haben wir Indicio entwickelt. Aber die oben genannten Probleme sind nur ein Teil des Problems. Wenn wir die Ansicht verkleinern und das Gesamtbild betrachten, stellen wir zahlreiche Mängel in der heutigen Art und Weise fest, wie Prognosen durchgeführt werden.

Mit Excel nicht besonders gut

Was statistische Modelle und Prognosen angeht, kann Excel einen Statistiker nur bis zu einem gewissen Punkt bringen.

Die Verwendung von Excel für Prognosen setzt indirekt voraus, dass Tabellenkalkulationen als Datenbanken verwendet werden. Excel diese Pflicht zu erbitten, ist einer der berüchtigtsten Gründe für geschäftliche Ineffizienzen. Die Identifizierung von Frühindikatoren erfordert die Verwendung von Korrelationen, um kausale Zusammenhänge zu finden. Wenn Sie dies in Excel tun, kann Platz für einige lustige Korrelationen geschaffen werden, was der Albtraum eines Prognostikers ist.

Eine komische/falsche Korrelation liegt vor, wenn das statistische Modell einen kausalen Zusammenhang zwischen zwei scheinbar unzusammenhängenden Korrelationen findet, die nichts miteinander zu tun haben. Wenn Sie also eine genaue Prognose anstreben, ist es nichts weniger als eine Katastrophe, wenn Sie lustige Korrelationen erhalten.

Beispiele für lustige Zusammenhänge

Die Auswirkungen der Unreife der Datenwissenschaft auf die Prognosegenauigkeit

Als Unternehmen vor etwa 60 Jahren mit der Erfassung von Daten begannen, wurden diese Daten bereinigt und in Standardberichten dargestellt, die schließlich zu einer Software digitalisiert wurden, die wir heute als ERP- (Enterprise Resource Planning) und BI (Business Intelligence) bezeichnen.

Die erste dient als Datensammler und die letztere dient der Analyse der gesammelten Daten. Beiden ist gemeinsam, dass sie über eingebaute Prognosemodelle verfügen, die jedoch nur zur Beschreibung der historischen Entwicklung dienen, wodurch sie weniger genau sind. Dem gegenüber steht das Aufkommen des maschinellen Lernens, das Prognosemodelle ermöglicht hat, die für die Beschreibung der Zukunft optimiert sind und daher genauer sind.

Viele Unternehmen verwenden heute eine Art ERP/IB-Konstellation, die ein Verständnis vergangener Ereignisse ermöglichen und daraus Erkenntnisse ziehen kann, um Produktion und Budget entsprechend anzupassen. Leider zwingt das Fehlen von prädiktiven Maßnahmen und die geringe Genauigkeit die Benutzer dazu, Erkenntnisse zu ziehen, die auf einer unzureichenden Genauigkeit im Vergleich zu faktischen Prognosedaten beruhen.

Programmierung statistischer Modelle in R -
das Gute, das Schlechte und das Hässliche

Das Programmieren statistischer Modelle in R zur Prognose ist ziemlich üblich. Viele Unternehmen beauftragen dafür einen Statistiker. Dies kann jedoch schnell zu einem kostspieligen und zeitaufwändigen Unterfangen werden, wenn man bedenkt, dass alle verwendeten Modelle untersucht und alle Variablen getestet werden müssen. Es ist auch nicht garantiert, dass ein Statistiker dies im Alleingang tun kann, es sei denn, er kennt sich sowohl in der Programmierung als auch in der Statistik aus.

Es ist auch von Vorteil, ein erfahrener Mathematiker zu sein, um zu verstehen, ob neue Theorien und Modelle für diesen Zweck nützlich sind. Es ist jedoch selten, eine Person zu finden, die sich in vielen Fächern auskennt und gleichzeitig die Markttreiber versteht. Risikoscheu ist es ratsam, nicht nur einen Mitarbeiter mit diesem Thema zu beschäftigen, wenn man bedenkt, wie schwierig es für jemanden ist, Code, der von jemand anderem erstellt wurde, vollständig zu verstehen.

Eine Plattform wie Indicio wurde speziell für den Benutzer entwickelt — um Prognosen zu vereinfachen. Die auf maschinellem Lernen basierende Oberfläche ermöglicht es Ihnen, mühelos Prognosen auf der Grundlage der neuesten Forschungsergebnisse zu erstellen, fortschrittliche statistische Modelle auszuführen und gleichzeitig große Datenmengen zu integrieren.

Es wählt die am besten geeigneten Algorithmen für maschinelles Lernen aus und optimiert dann automatisch die Datenvorverarbeitung, das Feature-Engineering und die Tuning-Parameter für jeden Algorithmus, um hochgenaue Modelle zu erstellen und zu bewerten. Anschließend empfiehlt es den am besten gewichteten Modellsatz für den Einsatz im Hinblick auf die Daten und das Prognoseziel des Unternehmens.

Anstatt statistische Modelle zu erstellen, deren Entwicklung ein Statistiker Monate in Anspruch nehmen würde, kann Indicio Hunderte von Modellen erstellen und das leistungsstärkste Modell innerhalb weniger Stunden bereitstellen.